បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាកង្វះខាតជីវសម្គាល់ (Biomarkers) ដែលអាចទុកចិត្តបានសម្រាប់ការធ្វើរោគវិនិច្ឆ័យជំងឺផាកឃីនសាន់ (Parkinson's Disease) នៅដំណាក់កាលដំបូង ដែលជាហេតុធ្វើឱ្យការព្យាបាលមានភាពយឺតយ៉ាវ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានស្នើឡើងនូវក្របខណ្ឌសិក្សាស៊ីជម្រៅពហុទម្រង់ (Multimodal Intermediate Fusion Framework) ដោយរួមបញ្ចូលទិន្នន័យចលនាភ្នែកដើម្បីធ្វើចំណាត់ថ្នាក់រវាងអ្នកជំងឺ និងមនុស្សដែលមានសុខភាពល្អ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Time-series only (Transformer) ការប្រើប្រាស់តែទិន្នន័យស៊េរីពេលវេលា (Time-series) ដោយប្រើបណ្តាញ Transformer |
ប្រើប្រាស់ទិន្នន័យដើមផ្ទាល់ដោយមិនចាំបាច់បំប្លែងជារូបភាព។ | សមត្ថភាពក្នុងការចាប់យកលំនាំស្មុគស្មាញមានកម្រិតទាប ជាពិសេសចំពោះទំនាក់ទំនងរវាងចំណុចពេលវេលា។ | ភាពត្រឹមត្រូវ (Accuracy) ៥៧% និង អត្រា Recall ៥១% (ទាបបំផុតក្នុងការពិសោធន៍) |
| Encoded Time-series Image (CNN) ការប្រើប្រាស់រូបភាពដែលបំប្លែងពីស៊េរីពេលវេលា (GAF, MTF, RP) ដោយប្រើបណ្តាញ CNN |
អាចចាប់យកលក្ខណៈពិសេសនៃលំនាំចលនាភ្នែកតាមរយៈការវិភាគរូបភាព ២វិមាត្រ។ | អាចបាត់បង់ព័ត៌មានលម្អិតខ្លះនៃលំដាប់ពេលវេលា (Temporal details) នៅពេលបំប្លែងជារូបភាព។ | ភាពត្រឹមត្រូវ (Accuracy) ៨១% (នៅពេលប្រើបច្ចេកទេស GAF+MTF+RP រួមគ្នា) |
| Multimodal Intermediate Fusion (Proposed) វិធីសាស្ត្រស្នើឡើង៖ ការរួមបញ្ចូលគ្នារវាងទិន្នន័យស៊េរីពេលវេលានិងរូបភាព (CNN + Transformer) |
រួមបញ្ចូលចំណុចខ្លាំងទាំងពីរ៖ ការវិភាគបរិបទសកល (Global context) ពីរូបភាព និងព័ត៌មានលម្អិតពីស៊េរីពេលវេលា។ | ទាមទារធនធានគណនាខ្ពស់ជាង និងមានរចនាសម្ព័ន្ធបណ្តាញស្មុគស្មាញជាងវិធីសាស្ត្រតែមួយ។ | ភាពត្រឹមត្រូវ (Accuracy) ៨៧% និង អត្រា Recall ៩៦% (ល្អបំផុត) |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារឧបករណ៍ជំនាញសម្រាប់ការប្រមូលទិន្នន័យ និងកុំព្យូទ័រដែលមានសមត្ថភាពខ្ពស់សម្រាប់ការបណ្តុះបណ្តាលម៉ូដែល AI ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅមន្ទីរពេទ្យ Kyung Hee University ក្នុងប្រទេសកូរ៉េខាងត្បូង ដោយមានអ្នកចូលរួមសរុប ១៨៣ នាក់ (៨៤ នាក់មានជំងឺ PD)។ ទិន្នន័យនេះអាចមានភាពលំអៀងទៅលើប្រជាជនដែលមានវ័យចំណាស់នៅអាស៊ីបូព៌ា ដែលអាចមិនឆ្លុះបញ្ចាំងពេញលេញពីភាពចម្រុះនៃអ្នកជំងឺនៅក្នុងប្រទេសកម្ពុជា ឬតំបន់ផ្សេងទៀត។
វិធីសាស្ត្រនេះមានប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់វិស័យសុខាភិបាលនៅកម្ពុជា ជាពិសេសសម្រាប់ការធ្វើរោគវិនិច្ឆ័យជំងឺសរសៃប្រសាទនៅដំណាក់កាលដំបូងដែលមានតម្លៃសមរម្យ។
បច្ចេកវិទ្យានេះផ្តល់នូវសក្តានុពលខ្ពស់ក្នុងការកាត់បន្ថយការធ្វើរោគវិនិច្ឆ័យខុស និងជួយអ្នកជំងឺទទួលបានការព្យាបាលទាន់ពេលវេលា ដែលជាតម្រូវការចាំបាច់ក្នុងវិស័យសុខាភិបាលកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Pro-Saccadic Eye Movement | គឺជាចលនាភ្នែកយ៉ាងលឿនដើម្បីប្តូរការសម្លឹងពីចំណុចមួយទៅចំណុចមួយទៀត ដែលការសិក្សានេះប្រើវាដើម្បីរកមើលភាពមិនប្រក្រតី (ដូចជាចលនាយឺត ឬដាច់ៗ) នៅក្នុងអ្នកជំងឺផាកឃីនសាន់។ | ដូចជាការបង្វិលកាមេរ៉ាយ៉ាងលឿនដើម្បីចាប់យករូបភាពថ្មី ឬប្តូរគោលដៅសម្លឹង។ |
| Multimodal Intermediate Fusion Framework | ជារចនាសម្ព័ន្ធនៃបច្ចេកវិទ្យា AI ដែលយកទិន្នន័យពីប្រភពផ្សេងគ្នា (ដូចជាតួលេខល្បឿន និងរូបភាពដែលបំប្លែងរួច) មកបញ្ចូលគ្នានៅដំណាក់កាលកណ្តាលនៃការបណ្តុះបណ្តាល ដើម្បីវិភាគឱ្យកាន់តែច្បាស់។ | ដូចជាការវិនិច្ឆ័យម្ហូបអាហារដោយប្រើទាំងរសជាតិ និងការតុបតែងបញ្ចូលគ្នា ដើម្បីឱ្យដឹងថាឆ្ងាញ់ឬអត់។ |
| Gramian Angular Field (GAF) | គឺជាបច្ចេកទេសគណិតវិទ្យាសម្រាប់បំប្លែងទិន្នន័យជាតួលេខតាមពេលវេលា (Time-series) ឱ្យទៅជារូបភាព ដើម្បីឱ្យកុំព្យូទ័រអាចមើលឃើញគំរូទំនាក់ទំនងនៃទិន្នន័យនោះបានងាយស្រួល។ | ដូចជាការបំប្លែងសំឡេងតន្ត្រី ទៅជាអក្សរភ្លេងនៅលើក្រដាស ដើម្បីមើលឃើញរចនាសម្ព័ន្ធរបស់បទចម្រៀងតាមរយៈភ្នែក។ |
| Dynamic Time Warping (DTW) | គឺជាវិធីសាស្ត្រវាស់វែងភាពស្រដៀងគ្នានៃទិន្នន័យពីរខ្សែ ទោះបីជាល្បឿននៃការកើតឡើងមិនស្មើគ្នាក៏ដោយ ដើម្បីជម្រុះទិន្នន័យមិនល្អ (Outliers) ចេញ។ | ដូចជាការប្រៀបធៀបមនុស្សពីរនាក់ដែលដើរលើផ្លូវតែមួយ ទោះបីជាម្នាក់ដើរលឿនជាងម្នាក់ទៀតក៏ដោយ ក៏នៅតែដឹងថាពួកគេដើរផ្លូវដូចគ្នា។ |
| Video-oculography (VOG) | ជាបច្ចេកវិទ្យាប្រើកាមេរ៉ាល្បឿនលឿនដើម្បីថត និងវាស់វែងចលនាភ្នែក និងការប្រែប្រួលនៃប្រស្រីភ្នែកសម្រាប់ធ្វើរោគវិនិច្ឆ័យជំងឺ។ | ដូចជាការប្រើកាមេរ៉ាសុវត្ថិភាពដែលមានភាពច្បាស់ខ្ពស់ ដើម្បីតាមដានរាល់ការសម្លឹងរបស់មនុស្សយ៉ាងលម្អិត។ |
| Transformer Networks | ជាម៉ូដែល AI (Deep Learning) ដែលមានសមត្ថភាពវិភាគទិន្នន័យជាលំដាប់ (Sequence data) ដោយចេះផ្ដោតសំខាន់លើផ្នែកណាមួយនៃទិន្នន័យដែលមានប្រយោជន៍បំផុតសម្រាប់ការសន្និដ្ឋាន។ | ដូចជាការអានសៀវភៅមួយក្បាល ហើយចេះគូសចំណាំតែពាក្យគន្លឹះសំខាន់ៗដើម្បីយល់អត្ថន័យ ដោយមិនចាំបាច់ចាំគ្រប់ពាក្យ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
